随着经济的快速发展和车辆数量的不断增加,日益严重的交通问题已经成为制约城市发展的重要瓶颈。智能运输系统(Intelligent Transportation System,ITS)是解决社会交通需求与供给之间矛盾的重要途径之一。近几年来,智能运输系统越来越受到人们的重视,它是以科学技术为支撑,将计算机技术、通信技术、数据库技术、人工智能技术等运用于交通领域,以达到缓解交通拥挤、保证交通安全、提高交通网络使用效率等目的。最优路径的选择,作为智能运输系统中的一个研究热点,是一类典型的组合优化问题,适合采用蚁群算法(ACO)求解。蚁群算法通过其内在的搜索机制和正反馈特性,在解决一系列组合优化问题中取得了成效,这已经是被大量研究成果证明了的。但是蚁群算法也存在着一些缺陷,如在蚂蚁的移动过程中,路径选择虽然受到信息素和启发信息的指导,但仍具有随机性,特别是当问题规模较大时,路径的选择通常需要较长的搜索时间。此外,由于个别路径上的信息素可能被过于强化,容易使算法陷入局部最优解。本文首先分析了基本蚁群算法的优缺点,通过仿真实验研究了参数对算法性能的影响,确定了参数的合理取值范围,然后,针对信息素的优化策略进行了改进,有效地抑制了收敛过程中的早熟停滞现象。最后,结合TSP问题实例,对改进后的蚁群算法有效性进行了验证,结果表明该算法具有较快的收敛速度,能够在较短的时间内搜索到全局最优解。